Tự động phát hiện ăn mòn trên bề mặt đường ống dẫn khí sử dụng trí tuệ nhân tạo

Bài viết trình bày phương pháp phát hiện ăn mòn đường ống dẫn khí bằng cách sử dụng trí tuệ nhân tạo để phân tích các hình ảnh trực quan, gồm 3 bước: tiền xử lý ảnh đầu vào; phân đoạn và trích chọn các đặc trưng biểu đồ tần suất màu và đặc trưng kết cấu; đề xuất sử dụng mô hình Markov ẩn được huấn luyện từ các vector đặc trưng có khả năng tự động phân tích các hình ảnh chụp từ camera và nhận dạng các vùng bị ăn mòn của đường ống dẫn khí.

PETROVIETNAM TẠP CHÍ DẦU KHÍ Số - 2022, trang 19 - 25 ISSN 2615-9902 TỰ ĐỘNG PHÁT HIỆN ĂN MỊN TRÊN BỀ MẶT ĐƯỜNG ỐNG DẪN KHÍ SỬ DỤNG TRÍ TUỆ NHÂN TẠO Lê Huy Thưởng1, Nguyễn Văn Ngọ1, Nguyễn Tuấn Linh2 Công ty TNHH Cortek Học viện Cơng nghệ Bưu Viễn thơng Email: thuonglehuy@cortek.vn https://doi.org/10.47800/PVJ.2022.02-03 Tóm tắt Bài báo trình bày phương pháp phát ăn mịn đường ống dẫn khí cách sử dụng trí tuệ nhân tạo để phân tích hình ảnh trực quan, gồm bước: tiền xử lý ảnh đầu vào; phân đoạn trích chọn đặc trưng biểu đồ tần suất màu đặc trưng kết cấu; đề xuất sử dụng mơ hình Markov ẩn huấn luyện từ vector đặc trưng có khả tự động phân tích hình ảnh chụp từ camera nhận dạng vùng bị ăn mòn đường ống dẫn khí Thử nghiệm ban đầu tập liệu 5.000 ảnh chụp đường ống dẫn khí cho thấy phương pháp đề xuất cho kết xác 90% Từ khóa: Ăn mịn, đường ống dẫn khí, mơ hình Markov ẩn, trí tuệ nhân tạo Giới thiệu Ăn mòn dạng hư hỏng vật liệu, thường xuyên xảy phận cấu kiện thiết bị kim loại, có đường ống dẫn khí Theo nghiên cứu Koch cộng [1] chi phí ăn mịn hàng năm tồn cầu ước tính 2,5 nghìn tỷ USD Những số thể chi phí trực tiếp đóng cửa tai nạn buộc phải đóng cửa; khơng bao gồm chi phí khắc phục hậu mơi trường Cũng theo nghiên cứu [1], chiến lược phát ăn mòn kịp thời, thích hợp làm giảm chi phí từ 18 - 35% Việc phát sớm xuống cấp kết cấu kim loại có đường ống dẫn khí trước bị hỏng hóc khơng mang lại lợi ích kinh tế mà cịn giúp ngăn chặn cố ảnh hưởng đến người mơi trường Mơi trường gây ăn mịn cho đường ống dẫn khí gồm mơi trường bên bên ngồi Q trình ăn mịn bên đường ống phụ thuộc vào chất vật liệu cấu tạo ống, điều kiện vận hành tạp chất ăn mòn Đối với ống nổi, mơi trường ăn mịn bên ngồi ống khơng khí, độ ẩm Tại khu vực khác nhau, tính xâm thực đất nước khác nồng độ muối, độ ẩm, độ dẫn điện khác nhau, dẫn đến dạng ăn mòn Ngày nhận bài: 15/3/2021 Ngày phản biện đánh giá sửa chữa: 15/3 - 13/9/2021 Ngày báo duyệt đăng: 22/1/2022 phổ biến đường ống dẫn khí bao gồm: ăn mịn đều, ăn mịn cục bộ, nứt tác động môi trường bị phá hủy dịng chảy Trong phạm vi nghiên cứu này, nhóm tác giả tập trung vào phát ăn mòn tác nhân mơi trường bên ngồi đường ống dẫn khí đoạn đường ống mặt đất Trước đây, kỹ thuật viên thường kiểm tra đường ống dẫn khí cách quan sát mắt thường đo đạc Cách tiếp cận phát ăn mịn bề mặt mơ tả sơ tình trạng đường ống hư hỏng Phương pháp tốn nhiều thời gian phần lớn phụ thuộc vào kinh nghiệm trình độ kỹ thuật viên Hơn nữa, có nhiều vị trí khó tiếp cận hồn tồn khơng thể tiếp cận lý an tồn, ví dụ: khí độc cản trở việc xây dựng Bài báo tập trung nghiên cứu phát ăn mòn đường ống dẫn khí việc xử lý hình ảnh với mơ hình trí tuệ nhân tạo Kỹ thuật hỗ trợ sàng lọc khu vực đường ống thông qua hình ảnh chụp máy bay khơng người lái đến vị trí khơng thể tiếp cận mà không gây nguy hiểm cho kỹ thuật viên Sự xuất ăn mòn kèm với đặc điểm trực quan chính: (i) tạo kết cấu bề mặt thô ráp (ii) màu sắc sản phẩm phụ nằm phổ màu xác định rõ ràng Do đó, việc sử dụng phân tích kết cấu, DẦU KHÍ - SỐ 2/2022 19 CƠNG NGHỆ DẦU KHÍ phân tích màu sắc kết hợp thường sử dụng để phát triển thuật toán phát ăn mịn Hai tính áp dụng độc lập thực kỹ thuật nhận dạng mẫu Kết cấu đặc điểm sử dụng để phát ăn mòn [3, 4] Một yêu cầu phân tích kết cấu việc chuyển đổi hình ảnh màu sang hình ảnh có thang độ xám Chen cộng [5] phát triển kỹ thuật nhận dạng hình ảnh để đánh giá lớp phủ cầu; trích xuất đặc điểm thống kê ma trận đồng xuất mức xám (GLCM) hình ảnh kỹ thuật số, kỹ thuật sử dụng để đo lường giá trị đặc trưng kết cấu áp dụng kỹ thuật phân nhóm gọi phân loại mẫu đa phân giải (MPC) Pidaparti cộng phân tích dựa phép biến đổi Wavelet Fractal để phân loại vết rỗ/nứt ảnh ống dẫn khí thang độ xám mẫu hợp kim đồng nhôm nickel [6] Trong trình chuyển đổi hình ảnh màu sang thang độ xám, màu sắc thông tin quan trọng Marat Enikeev [3] tập trung vào thông tin màu sắc để phân biệt khuyết tật rỉ sét so với kim loại Nghiên cứu khảo sát hình ảnh có khuyết tật rỉ sét nhỏ tương phản Phổ màu rỉ sét xác định theo thống kê không gian màu đỏ - lục - lam (RGB) Chen cộng nghiên cứu 14 khơng gian màu để tìm khơng gian màu tốt để phát ăn mòn hình ảnh kỹ thuật số chiếu sáng khơng đồng đều, [9] chọn a * b * làm cấu hình màu tốt nhất, cho thấy tính hiệu phương pháp, cách tiếp cận hình elip thích ứng Khan cộng [6] sử dụng thông tin màu sắc để ước tính độ ăn mịn đường ống biển; phát triển thuật toán phục hồi nâng cao hình ảnh nhằm giảm thiểu hiệu ứng làm mờ, tăng cường màu sắc độ tương phản hình ảnh nước Một số nhà nghiên cứu sử dụng đặc điểm kết cấu màu sắc để phát ăn mòn Luca Petricca cộng [8] sử dụng phương pháp học chuyên sâu (deep learning) dựa ngơn ngữ lập trình Python (ngơn ngữ thơng dụng cho phát triển mơ hình học máy) để Tiền xử lý phát ăn mòn đường ống kim loại tự động, huấn luyện mơ hình học máy với 3.500 hình ảnh Tom J Gibbons cộng [9] áp dụng không gian màu L * a * b * tính kết cấu Gabor để đào tạo mơ hình hỗn hợp Gaussian để phát ăn mòn Francisco Bonnin-Pascual Ortiz [10] sử dụng phân loại yếu để tự động phát ăn mòn bể chứa, tàu đường ống dẫn khí Bộ phân loại đầu tiên, độ nhám, đo đặc tính lượng GLCM Màu sắc sử dụng làm phân loại thứ kiểm tra không gian màu Hue - Saturation - Intensity (HSI) Hue - Saturation - Value (HSV) Để cung cấp hệ thống phổ màu tham chiếu, Medeiros cộng sử dụng phân tích phân biệt Bonnin-Pascual Ortiz áp dụng chiến lược lọc khác biểu đồ Hue - Saturation (HS) huấn luyện Các phương pháp kể có đặc điểm chung kết hợp kỹ thuật xử lý ảnh (image processing) với mơ hình trí tuệ nhân tạo để phát vùng ăn mòn cho kết tương đối khả quan Tuy nhiên, phương pháp thường yêu cầu khối lượng tính tốn lớn, tiêu tốn nhiều tài ngun tính tốn nhớ xử lý, chưa đánh giá thời gian thực tính tốn phát ăn mịn Chính vậy, nghiên cứu nhóm tác giả đề xuất mơ hình Markov ẩn (hidden Markov model - HMM) hiệu để phát khu vực bị ăn mòn bề mặt đường ống dẫn khí Mơ hình HMM nhóm tác giả huấn luyện máy tính cá nhân triển khai thiết bị có tài ngun tính toán hạn chế điện thoại, laptop, để kỹ thuật viên theo dõi khu vực bị ăn mịn đường ống dẫn khí thời gian thực Phát ăn mòn đường ống dẫn khí Quy trình phát ăn mịn đường ống dẫn khí trình bày Hình Việc phát ăn mòn tiến hành qua bước với đầu vào ảnh RGB chứa đoạn đường ống dẫn khí đầu vùng ảnh chứa vị trí bị ăn mịn đoạn đường ống Phân đoạn & trích chọn đặc trưng Mơ hình Markov ẩn phát vùng ăn mịn Hình Q trình phát ăn mịn đường ống dẫn khí dựa trí tuệ nhân tạo 20 DẦU KHÍ - SỐ 2/2022 Vùng bị ăn mòn ảnh PETROVIETNAM 2.1 Tiền xử lý (pre-processing) Do ảnh đầu vào chụp từ thiết bị khác (mobile phone, UAV, máy ảnh thường) điều kiện môi trường khác (tay chụp rung, sương mù, mưa, tối trời ) nên ảnh chứa nhiễu Vì vậy, trước phát vùng ăn mịn ảnh thu nhận tiền xử lý để loại bỏ nhiễu Các kỹ thuật giảm thiểu nhiễu áp dụng nghiên cứu phép tốn hình thái học (mathematical morphology) gồm phép tốn co giãn (dilation), phép loại bỏ vùng ảnh nhiễu (errosion), phép mở (opening) phép đóng (closing), từ thu ảnh sau giảm thiểu nhiễu 2.2 Phân đoạn trích xuất đặc trưng (segmentation and feature extraction) Bước sau tiền xử lý ảnh tiến hành phân đoạn (segmentation) để trích vùng ảnh chứa đoạn ống dẫn khí (gas pipe segment) cần phát ăn mòn Tại bước này, loại bỏ ảnh đối tượng xung quanh khu vực đường ống mà khơng phải đoạn ống dẫn khí (ví dụ đất, đá, cỏ, ); vùng ảnh thuộc ống dẫn khí trích chọn đặc trưng Nhóm tác giả lựa chọn loại đặc trưng biểu đồ tần suất màu (colour histogram) đặc trưng kết cấu (texture) kết hợp để xây dựng vector đặc trưng (feature vector) dùng cho trình huấn luyện nhận dạng vùng bị ăn mòn Lý lựa chọn đặc trưng việc tính tốn đơn giản, màu đặc trưng vùng bị ăn mịn thường có màu nâu đậm ngả vàng đồng thời đặc trưng kết cấu phản ánh tốt độ thô ráp bề mặt vùng bị ăn mịn 2.3 Mơ hình Markov ẩn phát vùng ăn mịn (HMM for corrosion detection) Mơ hình Markov ẩn [11] mơ hình học máy trí tuệ nhân tạo dựa xác suất thống kê hệ thống mơ hình hóa q trình Markov với tham số khơng biết trước Mỗi mơ hình HMM gồm ba (π, A, B), π ma trận khởi tạo, A ma trận chuyển trạng thái B ma trận quan sát Trong toán này, nhiệm vụ mơ hình xác định tham số ẩn (vùng ăn mòn) từ tham số quan sát vector đặc trưng trích xuất từ ảnh đầu vào sau tiền xử lý phân đoạn Các tham số mơ hình ước lượng (huấn luyện) sau sử dụng để thực phân tích áp dụng cho ảnh Trong mơ hình Markov, trạng thái quan sát trực tiếp mã hóa thành vector đặc trưng từ ảnh, xác suất chuyển tiếp trạng thái tham số Mơ hình Markov ẩn thêm vào đầu ra: trạng thái có xác suất phân bổ biểu đầu Vì vậy, từ dãy biểu sinh HMM không trực tiếp thấy dãy trạng thái Để nhận dạng vùng ăn mịn từ ảnh quan sát (chứa đoạn ống dẫn khí), trước hết HMM cần huấn luyện để ước lượng tham số mơ hình Pha huấn luyện mơ hình HMM tiến hành sau: Cho X vector ngẫu nhiên từ tập hợp tham số hóa, cần tìm θ cho P(X|θ) cực đại Yêu cầu gọi ước tính tối đa khả (maximum likelihood, ML) cho θ Để ước tính θ, hàm hợp lý log (log likelihood function) định nghĩa là: ( | ) ( )= Trong đó: ( ) > L( (1) ) X: Vector(đặc ) - trưng L( ) = lnP(trích | )chọn - lnP(từ ảnh | )quan sát; θ: Tham số mơ hình (gồm ma trận π, A, B) Hàm likelihood coi hàm tham số θ cho liệu X Vì ln(x) hàm gia tăng nghiêm ngặt, giá trị θ tối đa hóa cho P(X|θ) tối đa cho L(θ) Thuật toán EM [10] thủ tục lặp để tối đa hóa L(θ) Giả sử sau lần lặp thứ n ước tính cho θ đưa θn Vì mục tiêu tối đa hóa L(θ), muốn tính tốn ước tính cập nhật θ thì: ( )= ( | ) ( )(= ) > L(( |) ) (2) ) - L( tối)( đa =)lnP( | )khác ) - lnP( >hóa L( Tương tự,( muốn biệt:| ) ( ) - L( ) = lnP( | ) - lnP( | ) (3) Trong vấn đề tồn liệu, thuật toán EM cung cấp khuôn khổ tự nhiên cho bao hàm chúng Nói cách khác, biến ẩn giới thiệu hoàn toàn thủ thuật để ước tính khả tối đa θ dễ kiểm sốt Trong trường hợp này, giả định việc biết rõ biến ẩn làm cho việc tối đa hóa hàm có khả dễ dàng Có nghĩa là, biểu diễn vector ngẫu nhiên ẩn Z thể z Tổng xác suất P(X|θ) viết theo biến ẩn z sau: ( | )= ∑ ( | , ) ( | ) ( |(3)) có = ∑ viết ( | , ) ( | ) Công ∑ ( lại | , ) sau: ( ) −thức ( ) = thể ( | )− (4) ( | ) ∑ ( | , ) ( | )− )= ( | ) (5) ∑ ≥ ∑ ( ) Lưu ý rằng,( biểu thức liên | , quan ) ( ( )|đến ) logarit ∑| )= ∑ ≥ ∑( tổng Sử dụng bất đẳng thức Jensen (Jensen’s inequality) ∑ ( | , ) ( | )− ( ) −minh ( rằng: )= ( | ) chứng ( )− ( ∑ ≥ ∑ ( ) DẦU KHÍ - SỐ 2/2022 21 CƠNG NGHỆ DẦU KHÍ θ = θn hàm l(θ|θn) L(θ) = Kết áp dụng cho cho số λi ≥ với ∑ công thức (5) liên quan đến logarit tổng cung cấp số λi xác định Xem xét để số có dạng P(z|X, θn) Hàm L(θ|θn) bị giới hạn hàm L(θ) Vì P(z|X, θn) thước đo xác suất, ta có P(z|X, θn) ≥ ∑z P(z|X, Các hàm có kết = θn Thuật toán EM chọn θn) =1 theo yêu cầu θn+1 làm giá trị θ mà l(θ|θn) cực đại Vì L(θ) ( | , ) ( | , )≥0 ∑ ( |≥ ,l(θ|θ ) =),1tăng l(θ|θ ) đảm bảo giá trị ≥ với ∑ =1 ( | , ) Từ công thức (5) số P(z|X, θn) đưa ra: n n hàm L(θ) khả tăng lên bước ( | , ) ( | )− ( )− ( )= ( | ) Mục tiêu nhóm tác giả chọn giá trị θ cho L(θ) cực đại Nghiên cứu ( | , ) ∑ ( | , ) ( | ) | ) = − ( ( | , ) hàm l(θ|θn) bị giới hạn hàm L(θ), giá trị hàm l(θ|θn) L(θ) với ước ( | , ) ( | ) tính cho θ = θn Vì vậy, θ làm tăng ( | , ) = − ( | ) ( | , ) l(θ|θn) làm tăng L(θ) Để L(θ) đạt giá ( | , ) ( | ) trị gia tăng lớn có thể, thuật tốn EM ( | , ) ≥ − ( | ) ( | , ) gọi để lựa chọn θ cho l(θ|θn) đạt cực đại Nhóm tác giả biểu thị giá trị cập nhật ( | , ) ( | ) θn+1 Quá trình minh họa Hình = ( | , ) ( | , ) ( | ) Pha nhận dạng tiến hành sau: = ( ) (6) | = ( ) = ( | ) = { ( | )} Từ công thức (6) viết lại tương đương: ( )≥ ( )+ ( | ) = ( )+ ∑ ( | , ) (7) ( )≥ ( )+ ( | ) (9) ( |, )(|) để thuận tiện cho xác định l(θ|θn) = L(θn) + Δ(θ|θn) để mối quan ( | )(| , ) hệ cơng thức (7) thể rõ ràng: L(θ) ≥ l(θ|θn) Sau giảm số w.r.t θ Ta có hàm l(θ|θn) giới hạn hàm L(θ) Ngoài ra, quan sát: | ( = ( )= ( | , )+ = ( ( )+ = ( ( ) ( | , ( | , ( | , = ( ) ) ( | ) ) ( | ) ( , | ( , | ) ( | , )+ = L(θn+1) ‌‌l(θn+1 |θn) L(θn) = l(θn|θn) | )+ ) )} l(θ|θn) θn+1 Hình Biểu diễn đồ họa lần lặp thuật toán EM DẦU KHÍ - SỐ 2/2022 ( | , ) ( | )} ) ( | , ( ,, ) (, ) (, ) () ) ( | , ) ( , | } | , { ( , | )} (10) - E-step: Xác định kỳ vọng có điều kiện EZ|X,θn {lnP(X,z|θ)} - M-step: Tối đa hóa biểu diễn liên quan đến θ θn 22 ( | , Trong công thức (9) bước kỳ vọng tối đa đầy đủ, rõ ràng hữu hạn Do đó, thuật tốn EM gồm việc lặp lại: L(θ) l(θ|θn) L(θ) {∑ = ) ) (8) {( | ∑ = = ) {∑ = θ Tiếp đến thay hàm tối đa hóa L(θ) với hàm tối đa hóa gắn với xác suất điều kiện l(θ|θN) Thực tế l(θ|θN) tính đến liệu không quan sát bị thiếu liệu Z Trong trường hợp nhóm tác giả ước tính biến này, thuật toán EM cung cấp tảng cho việc Ngoài ra, cách xử lý thuận lợi để đưa biến ẩn để tối đa hóa PETROVIETNAM l(θ|θN), điều đơn giản hóa nhờ kiến thức biến ẩn (so với tối đa hóa trực tiếp L(θ)) Các tính chất hội tụ thuật toán EM đề xuất G McLachlan T Krishnan [14 ] Nhóm tác giả xem xét hội tụ chung thuật toán Vì θn+1 ước tính cho θ tối đa hóa khác biệt Δ(θ|θn) Bắt đầu với ước tính cho θ, θn, nhóm tác giả có Δθ|θn = Vì θn+1 chọn để tối đa hóa Δ(θ|θn), mặt khác Δ(θn+1)|θn) ≥ Δ(θn|θn ) = 0, lần lặp, khả L(θ) khơng thay đổi Khi thuật tốn đạt đến điểm cố định cho số θn giá trị θn tối đa hóa l(θ) Vì L l θn L l có khả khác θn θn phải điểm dừng L Điểm dừng không cần thiết, nhiên cực đại cục Kết cho thấy cho thuật tốn hội tụ đến cực tiểu địa phương điểm yên trường hợp bất thường Trong thuật tốn EM mơ tả trên, θn+1 chọn làm giá trị θ với Δ(θ|θn) cực đại hóa Trong điều đảm bảo gia tăng lớn L(θ), nhiên làm nhẹ yêu cầu tối đa hóa Δ(θ|θn) cho: (11) Δ(θn+1)|θn) ≥ Δ(θn|θn ) Như điểm ảnh thỏa mãn công thức (9) (11) đưa vào vùng bị ăn mòn ảnh kết So sánh phát ăn mòn mơ hình học máy (%) 100 90 80 70 60 50 40 30 20 10 k-người hàng xóm gần Mơ hình Bayes đơn giản Độ xác Cây định Mơ hình hồi quy Logistic Mơ hình Markov Độ bao phủ Hình So sánh hiệu phát ăn mịn mơ hình học máy Thử nghiệm đánh giá Để đánh giá hiệu phương pháp đề xuất, nhóm nghiên cứu lựa chọn khoảng 5.000 ảnh có độ phân giải full HD (1.280 x 720 pixels) chụp khu vực đường ống dẫn khí bị ăn mịn với mức độ khác từ tập liệu gồm 140.000 ảnh thu thập Blossom Treesa Bastian cộng [13 ] Tập liệu thử nghiệm tiền xử lý theo thuật tốn nhóm tác giả sau chia thành 10 phần phần dùng để huấn luyện phần dùng để nhận dạng khu vực bị ăn mịn Sau nhóm tác giả lặp lại trình tất 10 phần nhận dạng Kết cuối tính trung bình 10 lần thử nghiệm Phương pháp gọi kiểm tra chéo (10-fold cross validation) dùng phương pháp chuẩn để đánh giá mơ hình trí tuệ nhân tạo Ngồi ra, nhóm tác giả so sánh với số phương pháp học máy khác, bao gồm mơ hình k-nearest neighbors, mơ hình Bayes đơn giản (nạve Bayes), mơ hình định (decission tree) mơ hình hồi quy logistic (logistic regression) theo cách thử nghiệm kiểm tra chéo 10 lần kết độ xác trình bày Bảng Theo Bảng Hình 3, độ xác độ bao phủ tính so với thực tế thông số TP (true positive), FP (false positive), TN (true negative) FN (false negative) Theo đó, mơ hình HMM cho kết tốt với 90% độ xác (precision) độ bao phủ (recall) Tiếp theo mơ hình định cho kết khả quan với 86% độ xác độ bao phủ Ở chiều ngược lại, mơ hình hồi quy logistic cho kết thấp Điều giải thích mơ hình hồi quy thường khơng phù hợp với tốn phân loại với đầu vào vector đặc trưng nhiều Bảng Kết phát vùng ăn mịn Mơ hình học máy k-người hàng xóm gần Mơ hình Bayes đơn giản Cây định Mơ hình hồi quy logistic Mơ hình Markov ẩn Độ xác (%) 73,91 65,12 87,45 59,12 92,36 Độ bao phủ (%) 77,25 63,92 86,55 61,73 91,85 DẦU KHÍ - SỐ 2/2022 23 CƠNG NGHỆ DẦU KHÍ chiều (multi-dimentional feature vectors) tốn phát vùng ăn mịn Trong đó, HMM mơ hình học máy có tính khái qt liệu cao (generative models) Khi có đủ liệu huấn luyện HMM thường cho kết tương đối khả quan toán nhận dạng từ ảnh tốn phát ăn mịn đường ống dẫn khí Ngồi ra, mơ hình định cho kết tương đối tốt việc phân loại hiệu dựa vector đặc trưng trích xuất Các mơ hình khác k-nearest neighbors Bayes đơn giản cho kết trung bình: Bayes đơn giản dựa giả định đặc trưng độc lập hoàn toàn, điều thiếu xác độ nhơ nhám vùng ăn mịn liên quan đến màu vùng bị ăn mòn; k-nearest neighbors chưa tận dụng mối liên quan vector đặc trưng tập liệu Trực quan hóa kết so sánh trình bày Hình Kết luận Bài báo trình bày kết bước đầu ứng dụng trí tuệ nhân tạo mơ hình học máy Markov ẩn để nhận dạng vùng bị ăn mòn đường ống dẫn khí Phương pháp đề xuất nhóm tác giả gồm bước: tiền xử lý ảnh đầu vào; phân đoạn trích chọn đặc trưng biểu đồ tần suất màu đặc trưng kết cấu; cuối dùng mơ hình học máy huấn luyện từ vector đặc trưng để nhận dạng vùng ăn mịn đường ống dẫn khí Kết thử nghiệm ban đầu cho thấy phương pháp đề xuất có nhiều tiềm cải tiến để ứng dụng rộng rãi thực tiễn Theo kế hoạch, nhóm tác giả cải tiến mơ hình đề xuất mơ hình trí tuệ nhân tạo tiên tiến học sâu xây dựng robot tự động thu nhận ảnh đường ống dẫn khí mơi trường khác (bao gồm nước) để thúc đẩy mạnh mẽ mơ hình trí tuệ nhân tạo, nâng cao q trình tự động hóa việc dị tìm, đánh giá theo dõi mức độ ăn mịn phát nhanh rủi ro tiềm ẩn hệ thống đường ống dẫn dầu khí Lời cảm ơn Bài báo kết nghiên cứu nhiệm vụ khoa học công nghệ cấp Quốc gia: “Nghiên cứu, xây dựng giải pháp trực tuyến đánh giá quản lý rủi ro phục vụ công tác kiểm định thiết bị công nghiệp”, Mã số KC.01.15/16-20 Tài liệu tham khảo [1] Gerhardus Koch, Jeff Varney, Neil Thopson, Oliver Moghissi, Melissa Goud, and Joe Payer, “International 24 DẦU KHÍ - SỐ 2/2022 measures of prevention, application, and economics of corrosion technologies study”, NACE International, 2016 [2] Duzgun Agdas, Jennifer A Rice, Justin R Martinez, and Ivan R Lasa, "Comparison of visual inspection and structural-health monitoring as bridge condition assessment methods", Journal of Performance of Constructed Facilities, Vol 30, No 3, pp - 10, 2016 DOI: 10.1061/(ASCE)CF.1943-5509.0000802 [3] Marat Enikeev, Irek Gubaydullin, and Marina Maleeva, “Analysis of corrosion process development on metals by means of computer vision”, Engineering Journal, Vol 21, No 4, pp 183 - 192, 2017 DOI: 10.4186/ ej.2017.21.4.183 [4] Flávio Felix Feliciano, Fabiana Rodrigues Leta, and Fernando Benedicto Mainier, “Texture digital analysis for corrosion monitoring”, Corrosion Science, Vol 93, pp 138 147, 2015 DOI: 10.1016/j.corsci.2015.01.017 [5] Po-Han Chen, Ya-Ching Yang, and Luh-Maan Chang, “Automated bridge coating defect recognition using adaptive ellipse approach”, Automation in Construction, Vol 18, No 5, pp 632 - 643, 2009 DOI: 10.1016/j.autcon.2008.12.007 [6] Amjad Khan, Syed Saad Azhar Ali, Atif Anwer, Syed Hasan Adil, and Fabrice Mériaudeau, “Subsea pipeline corrosion estimation by restoring and enhancing degraded underwater images”, IEEE Access, Vol 6, pp 40585 - 40601, 2018 DOI: 10.1109/ACCESS.2018.2855725 [7] M Khayatazad, L De Pue, and W De Waele, “Detection of corrosion on steel structures using automated image processing”, Developments in the Built Environment, Vol 3, 2020 DOI: 10.1016/j.dibe.2020.100022 [8] Luca Petricca, Tomas Moss, Gonzalo Figueroa, and Stian Broen “Corrosion detection using A.I: A comparison of standard computer vision techniques and deep learning model”, The 6th International Conference on Computer Science, Engineering and Information Technology, Vienna, Austria, 21 - 22 May 2016 DOI: 10.5121/csit.2016.60608 [9] Tom Gibbons, Gareth Pierce, Keith Worden, and Ifigeneia Antoniadou, "A Gaussian mixture model for automated corrosion detection in remanufacturing", 16th International Conference on Manufacturing Research ICMR, 11 - 13 September 2018 DOI: 10.3233/978-1-61499-902-763 [10] Francisco Bonnin-Pascuala and Alberto Ortiz, “Corrosion detection for automated visual inspection”, PETROVIETNAM Developments in Corrosion Protection InTech, 2014, pp 619 - 632 DOI: 10.5772/57209 on Neural Networks, USA, 31 July - August 2011 DOI: 10.1109/IJCNN.2011.6033304 [11] Kristie Seymore, Andrew McCallum, and Ronald Rosenfeld, “Learning hidden Markov model structure for information extraction”, AAAI Technical Report WS-99-11, pp 37 - 42, 1999 [13] Blossom Treesa Bastian, N Jaspreeth, S KumarRanjithb, and C.V Jiji, "Visual inspection and characterization of external corrosion in pipelines using deep neural network", NTD & E International, No 107, pp 102 - 134, 2019 DOI: 10.1016/j.ndteint.2019.102134 [12] Yasuo Matsuyama, "Hidden Markov model estimation based on alpha-EM algorithm: Discrete and continuous alpha-HMMs", International Joint Conference [14] G McLachlan and T Krishnan, The EM algorithm and extensions, 2nd edition John Wiley & Sons, 2008 AUTOMATED GAS PIPELINE CORROSION DETECTION WITH ARTIFICIAL INTELLIGENCE Le Huy Thuong1, Nguyen Van Ngo1, Nguyen Tuan Linh2 Cortek Co Ltd Posts and Telecommunications Institute of Technology Email: thuonglehuy@cortek.vn Summary The article presents a method to detect gas pipeline corrosion using artificial intelligence to analyse visual images with steps: preprocessing of input images; segmentation and extraction of histogram features and texture features; and proposing to use the hidden Markov model trained from feature vectors capable of automatically analysing the camera images and identifying eroded areas of the gas pipeline An initial experiment on a dataset of over 5000 published oil pipeline images shows the proposed method achieves results with over 90% accuracy Key words: Corrosion, gas pipeline, hidden Markov model, artificial intelligence DẦU KHÍ - SỐ 2/2022 25 ... Quy trình phát ăn mịn đường ống dẫn khí trình bày Hình Việc phát ăn mòn tiến hành qua bước với đầu vào ảnh RGB chứa đoạn đường ống dẫn khí đầu vùng ảnh chứa vị trí bị ăn mịn đoạn đường ống Phân... đường ống Phân đoạn & trích chọn đặc trưng Mơ hình Markov ẩn phát vùng ăn mịn Hình Q trình phát ăn mịn đường ống dẫn khí dựa trí tuệ nhân tạo 20 DẦU KHÍ - SỐ 2/2022 Vùng bị ăn mòn ảnh PETROVIETNAM... hình trí tuệ nhân tạo tiên tiến học sâu xây dựng robot tự động thu nhận ảnh đường ống dẫn khí môi trường khác (bao gồm nước) để thúc đẩy mạnh mẽ mơ hình trí tuệ nhân tạo, nâng cao q trình tự động